iNaturalist 物种分类与检测数据集
计算机视觉与模式识别
2018-04-12 v2
摘要
计算机视觉中使用的现有图像分类数据集往往在不同目标类别间具有均匀的图像分布。相比之下，自然界存在严重的不平衡，因为某些物种比其他物种更丰富且更容易拍摄。为了鼓励在具有挑战性的真实世界条件下取得进一步进展，我们提出了 iNaturalist 物种分类与检测数据集，包含来自超过 5,000 种不同动植物物种的 859,000 张图像。该数据集具有视觉相似物种的特征，是在全球各地各种不同情况下捕获的。这些图像使用不同类型的相机收集，具有不同的图像质量，存在较大的类别不平衡，并已由多名公民科学家验证。我们讨论了该数据集的收集过程，并使用 state-of-the-art 计算机视觉分类与检测模型进行了广泛的基线实验。结果表明，当前非集成方法仅达到 67% 的 top-one 分类准确率，说明了该数据集的困难性。具体而言，我们观察到训练样本较少的类别结果较差，表明在 low-shot learning 方面需要更多关注。
引用
@article{arxiv.1707.06642,
title = {The iNaturalist Species Classification and Detection Dataset},
author = {Grant Van Horn and Oisin Mac Aodha and Yang Song and Yin Cui and Chen Sun and Alex Shepard and Hartwig Adam and Pietro Perona and Serge Belongie},
journal= {arXiv preprint arXiv:1707.06642},
year = {2018}
}
备注
CVPR 2018